Formation en intelligence artificielle

Leçon 1 • L'IA dans la vie quotidienne

Cartographie les applications de l'IA dans divers secteurs, notamment la santé, la finance et le commerce de détail. Ancre les concepts abstraits dans des expériences familières et observables.

Leçon 2 • Une brève histoire de l'IA

Retrace l'IA des premiers systèmes symboliques aux réseaux de neurones modernes. Fournit un contexte historique qui explique pourquoi les approches actuelles dominent.

Leçon 3 • Types de problèmes fondamentaux de l'IA

Présente la classification, la régression, le regroupement et la génération comme les quatre catégories fondamentales de problèmes que l'IA résout. Structure toutes les techniques ultérieures dans ces types.

Leçon 1 • Collecte et stockage des données

Couvre les méthodes de collecte et de stockage des données à grande échelle pour les pipelines d'IA. Relie les décisions relatives à l'infrastructure de données à la qualité en aval des modèles.

Leçon 2 • Bases de l'ingénierie des caractéristiques

Présente le processus de transformation des données brutes en entrées significatives pour les modèles d'IA. Montre comment la sélection des caractéristiques a un impact direct sur la précision du modèle.

Leçon 3 • Comment l'IA apprend à partir des données

Explique les divisions d'entraînement, de validation et de test et pourquoi chacune est importante. Introduit le concept d'un modèle en tant que fonction mathématique ajustée aux données.

Leçon 4 • Qualité des données et biais

Examine comment une mauvaise qualité des données et des ensembles de données biaisés dégradent la performance et l'équité de l'IA. Prépare les étudiants à évaluer de manière critique les données avant de les utiliser.

Leçon 1 • Apprentissage non supervisé expliqué

Explore la recherche de structures cachées dans des données non étiquetées par le regroupement et la réduction de dimensionnalité. Relie au type de problème de regroupement présenté précédemment.

Leçon 2 • Apprentissage supervisé expliqué

Couvre l'apprentissage à partir d'exemples étiquetés pour prédire les résultats sur de nouvelles données. Ancre le concept avec les tâches de classification et de régression du chapitre 1.

Leçon 3 • Concepts de base de l'apprentissage par renforcement

Présente les agents qui apprennent par des signaux de récompense et de pénalité dans un environnement. Distingue ce paradigme des approches supervisée et non supervisée.

Leçon 4 • Choisir le bon algorithme

Fournit un cadre de décision pour la sélection d'algorithmes en fonction du type de données, de leur taille et de l'objectif du problème. Synthétise les trois paradigmes d'apprentissage en un guide pratique.

Leçon 1 • Couches et architecture du réseau

Explique les couches d'entrée, cachées et de sortie et comment la profondeur crée un pouvoir de représentation. Relie la profondeur des couches à la capacité de résoudre des problèmes plus difficiles.

Leçon 2 • Entraînement des réseaux de neurones

Couvre la passe avant, le calcul de la perte, la rétropropagation et la descente de gradient de manière intuitive. Montre comment les réseaux s'améliorent de manière itérative grâce aux cycles d'entraînement.

Leçon 3 • Comment fonctionne un neurone

Décompose le neurone artificiel comme une somme pondérée suivie d'une fonction d'activation. Construit l'unité atomique de compréhension pour toutes les architectures de réseaux de neurones.

Leçon 4 • Réseaux de neurones convolutionnels

Présente les CNN comme des réseaux spécialisés pour le traitement d'images et de données spatiales. Démontre comment les filtres détectent les contours, les textures et les objets de manière hiérarchique.

Leçon 1 • Représenter le texte sous forme de nombres

Présente le sac de mots, le TF-IDF et les plongements de mots comme méthodes pour convertir le texte en forme numérique. Fait le pont entre le langage et l'entrée lisible par machine.

Leçon 2 • Techniques de prétraitement du texte

Couvre la tokenisation, la suppression des mots vides, la radicalisation et la lemmatisation comme étapes fondamentales de nettoyage du texte. Prépare le texte brut pour l'entrée en aval du modèle TALN.

Leçon 3 • Construire un pipeline TALN simple

Parcourt l'assemblage d'un pipeline complet de classification de texte, des données brutes à la prédiction. Synthétise tous les concepts de la section en un flux de travail appliqué de bout en bout.

Leçon 4 • Tâches fondamentales du TALN

Passe en revue l'analyse des sentiments, la reconnaissance d'entités nommées, la traduction automatique et le résumé. Mappe chaque tâche à des applications pratiques d'affaires et de produits.

Leçon 1 • Détection et localisation d'objets

Distingue la classification de la détection et introduit la prédiction de boîtes englobantes. Élargit la compréhension des étudiants au-delà des simples tâches d'étiquetage d'images.

Leçon 2 • Comment les ordinateurs voient les images

Explique la représentation des pixels, les canaux de couleur et les tenseurs d'image comme l'entrée brute des modèles de vision. Ancre l'IA visuelle dans les structures de données que les ordinateurs traitent réellement.

Leçon 3 • Aperçu de la segmentation d'images

Présente la segmentation sémantique et par instance comme des tâches de compréhension au niveau du pixel. Relie aux cas d'utilisation de l'imagerie médicale, de la conduite autonome et de l'analyse satellite.

Leçon 4 • Apprentissage par transfert en vision

Explique comment les modèles de vision pré-entraînés sont affinés pour de nouvelles tâches avec des données limitées. Démontre les gains d'efficacité pratiques liés à la réutilisation des représentations apprises.

Leçon 1 • Techniques d'ingénierie des requêtes

Enseigne les stratégies de requête zéro-exemple, peu d'exemples, chaîne de pensée et de rôle. Permet aux étudiants d'extraire des résultats fiables et de haute qualité des LLM sans réentraînement.

Leçon 2 • Comment fonctionnent les grands modèles de langage

Explique le pré-entraînement sur de vastes corpus de textes et l'ajustement fin pour des tâches spécifiques. S'appuie sur les connaissances des transformeurs du chapitre 5 pour expliquer les effets d'échelle des LLM.

Leçon 3 • Limites et hallucinations

Examine les erreurs factuelles, les hallucinations et les problèmes de fiabilité dans les résultats de l'IA générative. Équipe les étudiants pour utiliser les outils génératifs de manière responsable avec une vérification appropriée.

Leçon 4 • IA générative d'images et multimodale

Couvre les modèles de diffusion et les systèmes multimodaux qui traitent le texte et les images ensemble. Étend la compréhension de l'IA générative au-delà du texte vers les résultats visuels et transmodaux.

Leçon 1 • Biais et équité dans l'IA

Examine comment les données d'entraînement et la conception du modèle introduisent des biais qui conduisent à des résultats inéquitables. Relie aux concepts de qualité des données du chapitre 2 avec une perspective éthique.

Leçon 2 • Responsabilité et gouvernance

Définit les rôles, les responsabilités et les structures de surveillance pour les systèmes d'IA dans les organisations. Prépare les étudiants à participer ou à plaider en faveur d'une gouvernance responsable de l'IA.

Leçon 3 • Confidentialité et droits des données

Couvre la minimisation des données, le consentement, l'anonymisation et les droits individuels sur les données personnelles. Cadre la confidentialité comme une exigence de conception, et non comme une réflexion après coup.

Leçon 4 • IA responsable en pratique

Applique les principes éthiques à des scénarios de déploiement réels par le biais d'études de cas et de listes de contrôle. Synthétise le chapitre en habitudes exploitables pour le travail quotidien en IA.